遍历第一个维度非常容易,如下所示。要遍历其他维度,请将该维度滚动到前面并执行相同操作:
>>> data = np.arange(24).reshape(2, 3, 4)
>>> for dim_0_slice in data: # the first dimension is easy
... print dim_0_slice
...
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[[12 13 14 15]
[16 17 18 19]
[20 21 22 23]]
>>> for dim_1_slice in np.rollaxis(data, 1): # for the others, roll it to the front
... print dim_1_slice
...
[[ 0 1 2 3]
[12 13 14 15]]
[[ 4 5 6 7]
[16 17 18 19]]
[[ 8 9 10 11]
[20 21 22 23]]
>>> for dim_2_slice in np.rollaxis(data, 2):
... print dim_2_slice
...
[[ 0 4 8]
[12 16 20]]
[[ 1 5 9]
[13 17 21]]
[[ 2 6 10]
[14 18 22]]
[[ 3 7 11]
[15 19 23]]
编辑 一些时间数据,以比较不同的大型数组处理方法:
In [7]: a = np.arange(200*100*300).reshape(200, 100, 300)
In [8]: %timeit for j in xrange(100): a[:, j]
10000 loops, best of 3: 60.2 us per loop
In [9]: %timeit for j in xrange(100): a[:, j, :]
10000 loops, best of 3: 82.8 us per loop
In [10]: %timeit for j in np.rollaxis(a, 1): j
10000 loops, best of 3: 28.2 us per loop
In [11]: %timeit for j in np.swapaxes(a, 0, 1): j
10000 loops, best of 3: 26.7 us per loop
与
data[:,:,i]`相同)。 - AFogliaswapaxes
或rollaxis
会在设置循环时花费更多时间,但实际迭代速度更快,请参见我答案中添加的时间。在您非常小的示例中,设置占主导地位而不是实际迭代。我不同意可读性,但我可能太习惯于numpy而没有注意到它。 - Jaimenumpy.s_[:,:,i]
等同于tuple(slice(None), slice(None), i)
。 - JABnumpy.s_
具有一个属性maketuple
,用于确定是否使用单个切片将导致元组或不是[i.e.slice(start,end,step)
vs.(slice(start,end,step),)
]。默认值为False
。) - JAB(slice(None),)*(idim)+(idx,)
еҲӣе»әе…ғз»„жҜ”дҪҝз”Ё:
еӯ—з¬Ұжӣҙе®№жҳ“гҖӮдҪ дёҚиғҪиҝҷж ·еҒҡdata[(:,)*(idim)+(idx,)]
гҖӮ - AFogliadata[np.index_exp[:]*idim + np.index_exp[idx]]
,或者data[np.index_exp[:]*idim + (np.s_[idx],)]
,甚至是s=np.index_exp
然后跟随data[s[:]*idim + s[idx]]
。(我个人最喜欢最后一个。另外,我已经忘记了numpy.index_exp
是默认设置为maketuple
的IndexExpression
实例。) 虽然在您的具体情况中,data[..., idx]
可能是最明智的选择。 - JAB